海底声纳图像分类方法研究
根据不同的海底底质类型具有不同的纹理这一特点，利用纹理特征作为分类的特征依据。使用灰度共生矩阵提取纹理特征的方法得到了试验所需的纹理特征，最后使用支持向量机完成分类得到较为理想的分类准确率。证明利用灰度共生矩阵提取纹理特征以及支持向量机进行海底底质侧扫声呐图像分类的方法是可行的。
关键词：侧扫声呐图像; 小波变换; 纹理特征; 支持向量机; 图像分类 HM000069
3.4 纹理特征提取的仿真与实现
在MATLAB中，灰度共生矩阵可以通过调用既定函数实现，下面简单介绍graycomatrix函数创建灰度共生矩阵。
调用graycomatrix函数可以由图像创建灰度共生矩阵，基本的调用方法是：
glcm=graycomatrix(I);
调用该函数便可由图像I创建灰度共生矩阵glcm。通过计算具有灰度级i和灰度级j的像素对在水平方向相邻出现的频繁程度。glcm中的每个元素说明了水平方向相邻像素对出现的次数。如果灰度级为L则glcm的维数就是L*L。在MATLAB中，灰度级为8位。
为了满足不同的需求，调用该函数时可以设置更多的参数，调用方法是：
glcms=graycomatrix(I,param1,val1,param2,val2...)
根据需求对参数进行设定可以返回一个或者多个灰度共生矩阵。下面对参数进行简要说明：
GrayLimits：灰度界限，是一个二元向量[low,high]。灰度值小于或者等于low时对应1，大于等于high时对应灰度级。如果设定为[]，表示共生矩阵使用图像最小和最大灰度值作为灰度界限。
NumLevels：规定为整数。说明图像I中进行灰度缩放的灰度级数目。灰度级的数目决定了glcm的尺寸。缺省情况下，数字图像为8，二值图像为2。
Offset：p行2列整型矩阵，说明感兴趣像素与相邻像素之间的距离。
在MATLAB中通过graycoprops提取特征值，该函数是在使用graycomatrix函数的基础上调用的。调用方法如下：
stats=graycoprops(glcm,properties);
其中的glcm是有效的灰度共生矩阵。如果glcm是一个灰度共生矩阵的矩阵，则stats是包含每个灰度共生矩阵静态属性的矩阵，缺省参数properties等价于all，计算四个属性值。
Graycoprops使用正规化的GLCM计算属性，属性参数如下：
Contrast：对比度。返回整幅图像中像素和它相邻像素之间的亮度反差。灰度值一致的图像，其对比度等于0。
Correlation：相关。返回整幅图像中像素和它相邻像素是如何相关的度量值。取值范围[-1,1]。灰度值一致的图像，相关性为NaN。
Energy：能量。返回GLCM中的元素平方和。取值范围[0,1]。灰度值一致的图像，能量等于1.
Homogemeity：同质性。返回度量GLCM中元素的分布到对角线紧密程度。取值范围[0,1]。对角矩阵的同质性为1。
本次课题采用以下代码进行图像的灰度共生矩阵生成及特征值提取：
IN=imread('chonggou.bmp');
g=256;
[R,C]=size(IN);
p1=zeros(g); %计算共生矩阵
for M=1:R
for N=1:(C-1)
p1(IN(M,N)+1,IN(M,N+1)+1)= p1(IN(M,N)+1,IN(M,N+1)+1)+1;
p1(IN(M,N+1)+1,IN(M,N)+1)= p1(IN(M,N+1)+1,IN(M,N)+1)+1;
end
end
p2=double(p1)/(M*N); %归一化
通过运行以上代码得到结果P2，之后利用P2进行特征提取，具体代码如下：
%计算角二阶矩 f1
f1=p2.^2;
f1=sum(f1(:))
% 计算相关度 f2
colour=0:(g-1);
m1=sum(p2)*colour(:);
m2=m1;
pp=sum(p2);
v1=((colour-m1).^2)*pp(:);
v2=v1;
[m,n]=meshgrid(colour,colour);
pp=m.*n.*p2;
f2=(sum(pp(:))-m1*m2)/(v1+eps)*(v2+eps)
%计算墒 f3
pp=(p2.*log2(p2+eps));
f3=-sum(pp(:))
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1课题的背景及意义 1
1.2国内外的研究现状 1
1.3侧扫声呐成像特点 2
1.4 本课题工作 3
第二章 海底声呐图像的预处理 4
2.1引言 4
2.2海底声呐图像的增强 4
2.2.1直方图均衡化 4
2.2.2 图像锐化处理 7
2.2.3图像平滑处理 9
2.3小波变换 12
2.3.1 二维小波变换定义 13
2.3.2 二维小波变换与图像去噪 14
2.4 本章小结 15
第三章 海底图像纹理特征提取 16
3.1 引言 16
3.2图像纹理特征提取方法概述 16
3.3 基于灰度共生矩阵海底图像纹理特征提取 18
3.3.1 灰度共生矩阵纹理特征原理 18
3.3.2灰度共生矩阵纹理特征值介绍 19
3.4 纹理特征提取的仿真与实现 21
3.5本章小结 24
第四章 基于SVM的海底底质图像分类 26
4.1 引言 26
4.2支持向量机简介 26
4.2.1支持向量机SVM的一般特征 26
4.2.2 SVM线性可分与非线性可分介绍 27
4.2.3 SVM核函数 29
4.3 海底底质图像分类工具包Libsvm简介 29
4.3.1 libsvm的安装过程及其注意事项 30
4.4 基于SVM的海底底质图像纹理特征分类一般流程 31
4.4.1 样本数据库建立 31
4.4.2 基于SVM的海底图像分类仿真与实现 34
4.5 本章小结 41
第五章 总结与展望 42
5.1 总结 42
5.2 展望 42
参考文献 44
致 谢 46
关键词：侧扫声呐图像; 小波变换; 纹理特征; 支持向量机; 图像分类 HM000069
3.4 纹理特征提取的仿真与实现
在MATLAB中，灰度共生矩阵可以通过调用既定函数实现，下面简单介绍graycomatrix函数创建灰度共生矩阵。
调用graycomatrix函数可以由图像创建灰度共生矩阵，基本的调用方法是：
glcm=graycomatrix(I);
调用该函数便可由图像I创建灰度共生矩阵glcm。通过计算具有灰度级i和灰度级j的像素对在水平方向相邻出现的频繁程度。glcm中的每个元素说明了水平方向相邻像素对出现的次数。如果灰度级为L则glcm的维数就是L*L。在MATLAB中，灰度级为8位。
为了满足不同的需求，调用该函数时可以设置更多的参数，调用方法是：
glcms=graycomatrix(I,param1,val1,param2,val2...)
根据需求对参数进行设定可以返回一个或者多个灰度共生矩阵。下面对参数进行简要说明：
GrayLimits：灰度界限，是一个二元向量[low,high]。灰度值小于或者等于low时对应1，大于等于high时对应灰度级。如果设定为[]，表示共生矩阵使用图像最小和最大灰度值作为灰度界限。
NumLevels：规定为整数。说明图像I中进行灰度缩放的灰度级数目。灰度级的数目决定了glcm的尺寸。缺省情况下，数字图像为8，二值图像为2。
Offset：p行2列整型矩阵，说明感兴趣像素与相邻像素之间的距离。
在MATLAB中通过graycoprops提取特征值，该函数是在使用graycomatrix函数的基础上调用的。调用方法如下：
stats=graycoprops(glcm,properties);
其中的glcm是有效的灰度共生矩阵。如果glcm是一个灰度共生矩阵的矩阵，则stats是包含每个灰度共生矩阵静态属性的矩阵，缺省参数properties等价于all，计算四个属性值。
Graycoprops使用正规化的GLCM计算属性，属性参数如下：
Contrast：对比度。返回整幅图像中像素和它相邻像素之间的亮度反差。灰度值一致的图像，其对比度等于0。
Correlation：相关。返回整幅图像中像素和它相邻像素是如何相关的度量值。取值范围[-1,1]。灰度值一致的图像，相关性为NaN。
Energy：能量。返回GLCM中的元素平方和。取值范围[0,1]。灰度值一致的图像，能量等于1.
Homogemeity：同质性。返回度量GLCM中元素的分布到对角线紧密程度。取值范围[0,1]。对角矩阵的同质性为1。
本次课题采用以下代码进行图像的灰度共生矩阵生成及特征值提取：
IN=imread('chonggou.bmp');
g=256;
[R,C]=size(IN);
p1=zeros(g); %计算共生矩阵
for M=1:R
for N=1:(C-1)
p1(IN(M,N)+1,IN(M,N+1)+1)= p1(IN(M,N)+1,IN(M,N+1)+1)+1;
p1(IN(M,N+1)+1,IN(M,N)+1)= p1(IN(M,N+1)+1,IN(M,N)+1)+1;
end
end
p2=double(p1)/(M*N); %归一化
通过运行以上代码得到结果P2，之后利用P2进行特征提取，具体代码如下：
%计算角二阶矩 f1
f1=p2.^2;
f1=sum(f1(:))
% 计算相关度 f2
colour=0:(g-1);
m1=sum(p2)*colour(:);
m2=m1;
pp=sum(p2);
v1=((colour-m1).^2)*pp(:);
v2=v1;
[m,n]=meshgrid(colour,colour);
pp=m.*n.*p2;
f2=(sum(pp(:))-m1*m2)/(v1+eps)*(v2+eps)
%计算墒 f3
pp=(p2.*log2(p2+eps));
f3=-sum(pp(:))
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1课题的背景及意义 1
1.2国内外的研究现状 1
1.3侧扫声呐成像特点 2
1.4 本课题工作 3
第二章 海底声呐图像的预处理 4
2.1引言 4
2.2海底声呐图像的增强 4
2.2.1直方图均衡化 4
2.2.2 图像锐化处理 7
2.2.3图像平滑处理 9
2.3小波变换 12
2.3.1 二维小波变换定义 13
2.3.2 二维小波变换与图像去噪 14
2.4 本章小结 15
第三章 海底图像纹理特征提取 16
3.1 引言 16
3.2图像纹理特征提取方法概述 16
3.3 基于灰度共生矩阵海底图像纹理特征提取 18
3.3.1 灰度共生矩阵纹理特征原理 18
3.3.2灰度共生矩阵纹理特征值介绍 19
3.4 纹理特征提取的仿真与实现 21
3.5本章小结 24
第四章 基于SVM的海底底质图像分类 26
4.1 引言 26
4.2支持向量机简介 26
4.2.1支持向量机SVM的一般特征 26
4.2.2 SVM线性可分与非线性可分介绍 27
4.2.3 SVM核函数 29
4.3 海底底质图像分类工具包Libsvm简介 29
4.3.1 libsvm的安装过程及其注意事项 30
4.4 基于SVM的海底底质图像纹理特征分类一般流程 31
4.4.1 样本数据库建立 31
4.4.2 基于SVM的海底图像分类仿真与实现 34
4.5 本章小结 41
第五章 总结与展望 42
5.1 总结 42
5.2 展望 42
参考文献 44
致 谢 46
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2345.html
